研究背景

用户流失率的下降能够提高公司利润，了解用户倾向有利于提高用户黏性，延长用户生命周期。面对如今高昂的获客成本，也可以相对地降低营销投入，做到精准营销。

提出问题

1、流失客户有哪些显著性特征？
2、尝试找到合适的模型预测流失用户
3、针对性给出增加用户黏性、预防流失的建议

数据集描述

数据集来自DataFountain，该数据集有21个变量，7043个数据点，每条记录包含了唯一客户的特征。
用户属性
customerID ：用户ID。
gender：性别。（Female & Male）
SeniorCitizen ：老年人 （1表示是，0表示不是）
Partner ：是否有配偶 （Yes or No）
Dependents ：是否有家属 （Yes or No）
tenure ：客户存留时长（0-72个月）
服务需求
PhoneService ：是否开通电话服务业务 （Yes or No）
MultipleLines：是否开通了多线业务（Yes 、No or No phoneservice 三种）
InternetService：是否开通互联网服务 （No, DSL数字网络，fiber optic光纤网络 三种）
OnlineSecurity：是否开通网络安全服务（Yes，No，No internetserive 三种）
OnlineBackup：是否开通在线备份业务（Yes，No，No internetserive 三种）
DeviceProtection：是否开通了设备保护业务（Yes，No，No internetserive 三种）
TechSupport：是否开通了技术支持服务（Yes，No，No internetserive 三种）
StreamingTV：是否开通网络电视（Yes，No，No internetserive 三种）
StreamingMovies：是否开通网络电影（Yes，No，No internetserive 三种）
交易倾向
Contract：签订合同方式 （按月，一年，两年）
PaperlessBilling：是否开通电子账单（Yes or No）
PaymentMethod：付款方式（bank transfer，credit card，electronic check，mailed check）
MonthlyCharges：月费用
TotalCharges：总费用
研究对象
Churn：该用户是否流失（Yes or No）

#导入数据集
options(scipen = 200)
df <- read.csv("F:/telco-customer-churn/WA_Fn-UseC_-Telco-Customer-Churn.csv")`

特征工程

1、数据预处理

1.1、特征类型处理

#SeniorCitizen转换为因子变量
df <- within(df,{
  SeniorCitizen <- factor(SeniorCitizen,levels = c(0,1),labels = c("No","Yes"))
})

1.2、缺失值处理

colSums(is.na(df))
mean(is.na(df$TotalCharges))
library(VIM)
opar <- par(no.readonly = T)
par(cex=0.72,font.axis=3)
aggr(df,prop=T,numbers=T)
par(opar)
#只有TotalCharges列有11个缺失值，占比大约0.156%

hist(df$TotalCharges,breaks = 50,prob=T,main = "histogram of TotalCharges")
df$TotalCharges[is.na(df$TotalCharges)] <- median(df$TotalCharges,na.rm = T)

TotalCharges是数值型数据，从直方图可以看到该列数据是偏态分布。根据正态分布选均值、中位数填充，偏态分布选中位数填充的原则，我选择用TotalCharges列的中位数去填充这11个缺失值。

1.3、异常值处理

layout(matrix(c(1,2),1,2,byrow = T))
boxplot(df$MonthlyCharges,xlab="MonthlyCharges")
boxplot(df$TotalCharges,xlab="TotalCharges")

通过箱线图可以看到MonthlyCharges、TotalCharges两个特征无极端异常值，但总费用量纲差异大，对特征进行分箱离散化处理

library(Hmisc)
describe(df[c("MonthlyCharges","TotalCharges")])
#根据描述性统计量将变量按0.25,0.5,0.75分位数分成4份
c_u_t <- function(x,n=1) {
  result <- quantile(x,probs = seq(0,1,1/n))
  result[1] <- result[1]-0.001
  return(result)
}
df <- transform(df,
                MonthlyCharges_c = cut(df$MonthlyCharges,
                         breaks = c_u_t(df$MonthlyCharges,n=4),labels = c(1,2,3,4)),
                TotalCharges_c = cut(df$TotalCharges,
                     breaks = c_u_t(df$TotalCharges,n=4),labels = c(1,2,3,4)))
df <- within(df, {
  MonthlyCharges_c <- relevel(MonthlyCharges_c, ref = 1)
  TotalCharges_c <- relevel(TotalCharges_c, ref = 1)
})

1.4、分类变量标签整理

for (i in 10:15) {
  print(prop.table(xtabs(~Churn+get(names(df)[i]),data = df)))
}

通过OnlineSecurity、OnlineBackup、DeviceProtection、TechSupport、StreamingTV、StreamingMovies这6个变量分别和Churn生成二维列连表可以看到，"No internet service"这个标签的总数占比都是一致的，可以认为这个标签不影响流失率，所以把这个标签并入“No"标签

df <- within(df,{
  levels(OnlineSecurity)[2] <- "No"
  levels(OnlineBackup)[2] <- "No"
  levels(DeviceProtection)[2] <- "No"
  levels(TechSupport)[2] <- "No"
  levels(StreamingTV)[2] <- "No"
  levels(StreamingMovies)[2] <- "No"
})

2、特征选择

2.1、方差过滤

df <- df[c(1,6,2:5,7,10:15,17,22,23,8,9,16,18,21,19,20)]  #变量位置重排
library(caret)
nearZeroVar(df[c(3:14)],freqCut = 90/10,saveMetrics = T)
df$PhoneService <- NULL

对二分类变量进行方差过滤，变量PhoneService的nzv为TRUE即方差接近于零，代表这个变量中其中一类非常少，占比少于10%，则它变异程度小，提供的信息少，应该被筛选掉。

2.2、卡方检验过滤

sapply(df[c(3:19)], function(x){
  ch <- chisq.test(x,df$Churn,simulate.p.value = T)
  list(chi_v=ch$statistic,p=ch$p.value)
})
df$gender <- NULL

分类变量和目标变量Churn的卡方检验中，除了gender的P值为0.494，其他特征的P值都远小于0.01，所以不能拒绝gender和Churn相互独立的原假设，应被筛选掉。

2.3、模型整体效果过滤

(mydata <- df[c(2:19)])
lg <- glm(Churn~.,family = binomial(),data = mydata)
lg_back <- step(lg,direction = "backward")
summary(lg_back)
anova(lg_back,lg,test = "Chisq")

通过AIC向后法筛选出的特征筛除掉了Partner、DeviceProtection、MonthlyCharges_c三个变量。用anova函数对两个模型进行卡方检验P=0.99，表明两个模型拟合度一样好，有理相信这三个变量不会显著提高方程的预测精度。暂时先不删除这些变量，稍后再详细分析Logistic回归。

2.4、利用随机森林进行特征重要性筛选

library(randomForest)
set.seed(123)
(rf <- randomForest(Churn~.,data=mydata,importance=T,ntree=100))
(imp <- importance(rf,type=2))
imp[order(-imp),]

随机森林模型显示出tenure、Contract、PaymentMethod这三个特征重要性最高，Dependents、StreamingTV、StreamingMovies这三个特征重要性最低。这些低重要性特征暂时还是保留。

相关回归分析

1、二联列联表的相关性度量

attach(df)
library(vcd)
for (i in 3:18) {
 print(assocstats(table(get(names(df)[i]),Churn))) 
}

分别度量了每个分类特征与目标变量Churn的相关性强弱，Contract、InternetService、PaymentMethod与目标变量Churn的相关性较强。由于其他变量也通过了卡方检验，所以和Churn也有相关性，只是弱于这三个变量。

2、连续型变量的差异检验

#由于三个连续型变量都是偏态分布，所以用非参数检验
by(tenure,Churn,median)
wilcox.test(tenure~Churn,data=df)

by(MonthlyCharges,Churn,median)
wilcox.test(MonthlyCharges~Churn,data=df)

by(TotalCharges,Churn,median)
wilcox.test(TotalCharges~Churn,data=df)

library(ggplot2)
ggplot(df,aes(x=tenure,fill=Churn))+
  geom_bar(position = "dodge")+
  labs(title = "Churn BY tenure")

这三个连续变量wilcox非参数检验P值都远小于0.01，所以认为流失和非流失的用户在这三个变量间都有差异。tenure这个变量，非流失用户存留时长的中位数为38个月，流失用户的存留时长为10个月，通过图形也可以看出前几个月尤其前6个月的流失率较高。

3、多重对应分析

library(plyr)
df1 <- rename(df,c(SeniorCitizen="SC",Partner="P",Dependents="D",
                   OnlineSecurity="OS",OnlineBackup="OB",DeviceProtection="DP",
                   TechSupport="TS",StreamingTV="ST",StreamingMovies="SMo",
                   PaperlessBilling="PB",MonthlyCharges_c="MC",TotalCharges_c="TC",
                   MultipleLines="ML",InternetService="IS",Contract="Ctr",
                       PaymentMethod="PM")) #对变量进行重命名，使类别图更清晰
library(ade4)
mca <- dudi.acm(df1[3:19],scann = FALSE, nf = 2)
co <- mca$co
library(ggplot2)
library(ggrepel)
windows()
ggplot(data=co,aes(x=Comp1,y=Comp2))+geom_point(shape=21,size=2.2,color="red")+
  theme(panel.background = element_rect(fill ="white",colour = "black"))+
  geom_vline(xintercept = 0, color = "gray", size = 0.5)+
  geom_hline(yintercept = 0, color = "gray", size = 0.5)+
  geom_text_repel(aes(Comp1,Comp2, label=rownames(co)),box.padding = unit(0.5,'lines'))+
  labs(x = "MCA1: 63.7%", y = "MCA2: 16.4%")  

用多重对应分析对各变量进行降维，降维信息浓缩后，相同方位距离近的特征可能有关联：
①、先看距离原点较远的聚集点：月费用最低等级(MC.1)和没有开通互联网服务(IS.No)相近有关联，确实符合实际情况逻辑；开通在线备份业务(OB.Yes)、开通设备保护业务(DP.Yes)、开通技术支持服务(TS.Yes)、开通网络安全服务(OS.Yes)相近，说明有一类客户很重视通信安全和通信数据保存，这类用户可能是商务用途，可以做一个商务组合套餐。
②、再看距离特别近的团簇：没有开通网络电视(ST.No)、没有开通网络电影(SMo.No)、第二等级总费用(TC.2)、没有开通多线业务(ML.No)相近，此类客户可能只开通了基础的功能。
③、接着看离Churn较近的点：银行自动转账付款方式(PM.Bank.transfer…automatic)、信用卡自动转账付款方式(PM.Credit.card…automatic)、有配偶(P.Yes)、按一年签订合同(Crt.One.year)、开通数字网络(IS.DSL)、有家属(D.Yes)和用户没有流失(Churn.No)相近，说明有这类特征的客户黏性高，较稳定，需要继续做好这类客户的维护和开发。
④、最后流失用户(Churn.Yes)周围没有很相近的点，而相对较近的特征有按月签订合同(Crt.Month.to.monthr)、电子支票付款方式(PM.Electronic.check)、老年人(SC.Yes)，这类客户有流失的风险，可以出针对性的活动方案，提高这类客户的黏性。

4、Logistic回归分析

fit.full <- glm(Churn~.,data = mydata,family = binomial())
summary(fit.full)
fit.both <- step(fit.full,direction = "both")
summary(fit.both)
anova(fit.both,fit.full,test = "Chisq")

数据集的自变量数目较多，为了使建立的Logistic回归模型比较稳定和便于解释，应尽可能地将回归效果不显著的自变量排除在外。用逐步法筛选变量后的模型和前面模型整体过滤时用的向后法结果是一样的

coefficients(fit.both)
exp(coef(fit.both))

用筛选后的变量建立逻辑回归模型。系统输出的是Churn=Yes时的概率模型，结果中Exp在0.5~1.5之间的弱影响因素暂时忽略。可以看到保持其他变量不变：
①、开通光纤互联网服务的客户流失风险是数字网络互联网服务的2.6倍，没有开通互联网服务的流失风险是数字网络互联网服务的0.3倍，所以没有开通互联网服务的客户流失风险最低。
②、按一年签订合同的客户流失风险是按月签订合同的0.4倍，按两年签订合同的客户流失风险是按月签订合同的0.2倍，所以签订合同的期限越长，客户流失的概率越小。
③、总费用第2等级的客户流失风险是第一等级（18.8,402] 的0.49倍，第三等级是第一等级的0.44倍，第四等级是第一等级的0.49倍，说明总费用第一等级，流失风险最大。

小结：

1. tenure前6个月是高流失区域，后面月份的用户流失逐渐减少。
2. Contract签订合同方式对用户留存影响较大，流失风险按月签订>按一年签订>按两年签订，签订合同的期限越长，客户流失的概率越小。
3. TotalCharges_c总费用等级高的用户是稳定的，花费较低的用户容易流失。
4. PaymentMethod付款方式方面，电子支票付款方式流失率较高，自动化付款方式流失率低。
5. InternetService网络服务对用户留存也影响较大，流失风险光纤互联网服务>数字网络服务>没有开通互联网。
6. 一类客户倾向于开通在线备份业务、设备保护业务、技术支持服务、网络安全服务这些相关的安全服务

分类与模型预测有效性

set.seed(123)
#建立训练集和测试集，用来建立模型和评估模型的有效性
train <- sample(nrow(mydata),0.7*nrow(mydata))
mydata.train <- mydata[train,]
mydata.test <- mydata[-train,]
table(mydata.train$Churn)
table(mydata.test$Churn)
#逻辑回归混淆矩阵
prob <- predict(fit.both,mydata.test,type="response")
logit.pred <- factor(prob>0.5,levels = c(FALSE,TRUE),labels = c("No","Yes"))
logit.perf <- table(mydata.test$Churn,logit.pred)

这分别是训练集和测试集的Churn分类，还有逻辑回归模型的混淆矩阵

1、决策树和随机森林

library(rpart)
set.seed(123)
dtree <- rpart(Churn~.,data = mydata.train,method = "class",
               parms = list(split="information"))
dtree$cptable
plotcp(dtree)
#按3次分割对应的复杂度参数0.01剪枝
dtree.pruned <- prune(dtree,cp=0.01)

library(partykit)
plot(as.party(dtree.pruned),main="Decision Tree")
dtree.pred <- predict(dtree.pruned,mydata.test,type="class")
dtree.perf <- table(mydata.test$Churn,dtree.pred)

决策树的用纯度最大化法进行的变量重要性排序依次是：Contract、InternetService、tenure，按一年两年签订合同的客户稳定性更强；开通数字网络和没有开通网络服务的客户稳定性更强，存留时长大于13.5个月的客户稳定性更强。综合起来就是按月签订合同、开通光纤网络服务，存留时长小于13.5个月的客户容易流失

#生成100棵决策树的随机森林
fit.forest <- randomForest::randomForest(Churn~.,data = mydata.train,ntree=100)
forest.pred <- predict(rf,mydata.test)
(forest.perf <- table(mydata.test$Churn,forest.pred))

随机森林属于黑箱操作，无法做到和单一决策树一样的可解释性。

2、支持向量机

library(e1071)
set.seed(123)
fit.svm <- svm(Churn~.,data=mydata.train)
fit.svm
svm.pred <- predict(fit.svm,mydata.test)
(svm.perf <- table(mydata.test$Churn,svm.pred))

同样缺乏可解释性，而且准确率较低

3、模型预测有效性

#定义分类器性能标准
performance <- function(table,n=2) {
  if(!all(dim(table)==c(2,2)))
    stop("Must be a 2 x 2 table")
  tn = table[1,1]
  fp = table[1,2]
  fn = table[2,1]
  tp = table[2,2]
  sensitivity = tp/(tp+fn)
  specificity = tn/(tn+fp)
  ppp = tp/(tp+fp)
  npp = tn/(tn+fn)
  hitrate = (tn+tp)/(tn+fp+fn+tp)
  result <- cat(" Sensitivity =",round(sensitivity,n),
                  "\n","Specificity =",round(specificity,n),
                  "\n","Positive Predictive Value =",round(ppp,n),
                  "\n","Negative Predictive Value =",round(npp,n),
                "\n","Accuracy=",round(hitrate,n),"\n")
  }
performance(logit.perf)
performance(dtree.perf)
performance(forest.perf)
performance(svm.perf)

这几个分类器的准确率都达到80%以上，但由于测试样本中流失率只有24%，所以是就算只有截距的机械模型，准确率也高达76%。从流失判断这个角度来说Sensitivity敏感度（即成功鉴别流失样本的概率）这一指标格外重要，逻辑回归这一指标数值稍高，达到54%，说明有54%的流失客户被判别出来了。

总结与建议

1. 用户方面：针对老年用户、无亲属、无伴侣用户的特征推出定制服务如老年朋友套餐、温暖套餐等。鼓励用户加强关联，推出各种亲子套餐、情侣套餐等，满足客户的多样化需求。针对新注册用户，推送半年优惠如赠送消费券，以度过用户流失高峰期。
2. 服务方面：针对光纤用户可以推出光纤和通讯组合套餐，对于连续开通半年以上的用户给与优惠减免。开通网络电视、电影的用户容易流失，需要研究这些用户的流失原因，是服务体验如观影流畅度清晰度等不好还是资源如片源等过少，再针对性的解决问题。针对在线安全、在线备份、设备保护、技术支持等增值服务，应重点对用户进行推广介绍，如首月/半年免费体验，使客户习惯并受益于这些服务
3. 交易倾向方面：针对单月合同用户，建议推出年合同付费折扣活动，将月合同用户转化为年合同用户，提高用户存留时长，以减少用户流失。 针对采用电子支票支付用户，建议定向推送其它支付方式的优惠券，引导用户改变支付方式。对于开通电子账单的客户，可以在电子账单上增加等级积分等显示，等级升高可以免费享受增值服务，积分可以兑换某些日用商品。

研究生期间读了一些关于客户生命周期价值（customer lifetime value，CLV）的一些文章，对此颇感兴趣，正好最近看到一个关于航空公司客户价值分析的案例，写一篇博客记录一下。

1. 数据挖掘的目标

面对激烈的市场竞争，各个航空公司相继推出了很多优惠的营销方案来吸引客户。某航空公司面临着常旅客流失、竞争力下降和航空资源未充分利用等经营危机。通过建立合理的客户价值评估模型，对客户进行分类，分析比较不同客户群体的价值，并制定相应的营销策略，对不同的客户群提供个性化的客户服务是必要的。因此本项目的目标是：

• 借助航空公司客户数据，对客户进行分类。
• 对不同的客户类别进行特征分析，比较不同类别的客户的价值。
• 针对不同价值的客户类别制定相应的营销策略，为其提供个性化服务。

2. 分析过程与方法

“以客户为中心”是企业的业务模式，然而维护客户关系需要高昂的成本，追求利润最大化的企业不可能和每一个客户都保持同样的关系。客户营销战略的倡导者 Jay & Adam Curry 提炼出了如下的经验：

• 公司收入的80%来自顶端的20%的客户。
• 20%的客户其利润率为100%。
• 90%以上的收入来自现有客户。
• 大部分的营销预算经常被用在非现有客户上。
• 5%至30%的客户在客户金字塔中具有升级潜力。
• 客户金字塔中客户升级2%，意味着销售收入增加10%，利润增加50%。

经验不一定正确，但说明了对客户价值进行分析的重要性和必要性。在客户价值分析领域，最具影响力并得到实证检验的理论与模型有：客户终生价值理论、客户价值金字塔模型、策略评估矩阵分析法和RFM客户价值分析模型等。

2.1 分析步骤与流程

航空公司客户价值分析案例的总流程如图所示，主要包括以下 4 个步骤：

1）抽取航空公司2012年4月1日至2014年3月31日的数据。
2）对抽取的数据进行数据探索分析与预处理，包括数据缺失值与异常值的探索分析、数据清洗、特征构建、标准化等操作。
3）基于 RFM 模型，使用 K-Means 算法进行客户分群。
4）针对模型结果得到不同价值的客户，采用不同的营销手段，提供定制化服务。

2.2 数据探索分析

2.2.1 描述性统计

数据的基本字段有 44 个，分别是：

客户基本信息 - 9：
MEMBER_NO	 		会员卡号
FFP_DATE			入会时间
FIRST_FLIGHT_DATE	第一次飞行日期
GENDER				性别
FFP_TIER			会员卡级别
WORK_CITY			工作地城市
WORK_PROVINCE	   	工作地所在省份你
WORK_COUNTRY   		工作地所在国家
AGE   				年龄

乘机信息 - 21：
LOAD_TIME			观测窗口的结束时间
FLIGHT_COUNT		飞行次数
BP_SUM				观测窗口总基本积分
EP_SUM_YR_1			第一年精英资格积分
EP_SUM_YR_2			第二年精英资格积分
SUM_YR_1			第一年总票价
SUM_YR_2			第二年总票价
SEG_KM_SUM			观测窗口总飞行公里数
WEIGHTED_SEG_KM		观测窗口总加权飞行公里数（Σ舱位折扣×航段距离）
LAST_FLIGHT_DATE	末次飞行日期
AVG_FLIGHT_COUNT	观测窗口季度平均飞行次数
AVG_BP_SUM			观测窗口季度平均基本积分累积
BEGIN_TO_FIRST		观察窗口内第一次乘机时间至MAX（观察窗口始端，入会时间）时长
LAST_TO_END			最后一次乘机时间至观察窗口末端时长
AVG_INTERVAL		平均乘机时间间隔
MAX_INTERVAL		观察窗口内最大乘机间隔
AVG_DISCOUNT		平均折扣率
P1Y_Flight_Count 	第1年乘机次数	
L1Y_Flight_Count	第2年乘机次数
Ration_L1Y_Flight_Count	第2年的乘机次数比率
Ration_P1Y_Flight_Count	第1年的乘机次数比率

积分信息 - 14：
ADD_POINTS_SUM_YR_1	观测窗口中第1年其他积分（合作伙伴、促销、外航转入等）
ADD_POINTS_SUM_YR_2	观测窗口中第2年其他积分（合作伙伴、促销、外航转入等）
EXCHANGE_COUNT		积分兑换次数
P1Y_BP_SUM			第1年里程积分
L1Y_BP_SUM			第2年里程积分
EP_SUM				观测窗口总精英积分
ADD_Point_SUM		观测窗口中其他积分（合作伙伴、促销、外航转入等）
Eli_Add_Point_Sum	非乘机积分总和
L1Y_ELi_Add_Points	第2年非乘机积分总和
Points_Sum			总累计积分
L1Y_Points_Sum		第2年观测窗口总累计积分
Ration_P1Y_BPS		第1年里程积分占最近两年积分比例
Ration_L1Y_BPS		第2年里程积分占最近两年积分比例
Point_NotFlight		非乘机的积分变动次数

对属性观测值中的空缺值个数、最大值和最小值进行探索。代码如下：

import pandas as pd
datafile = 'air_data.csv'
data = pd.read_csv(datafile, encoding = 'utf-8')
explore['null'] = len(data) - explore['count']
explore = explore[['null','max','min']]
explore.columns = [u'空数值',u'最大值',u'最小值']  

2.2.2 分布分析

分别从客户信息、乘机信息以及积分信息3个角度进行探索，寻找客户信息的分布规律。

客户基本信息分析
选取客户基本信息中的入会时间、性别、会员卡级别和年龄字段进行探索分析，探索客户的基本信息分布情况。

如上图所示，入会人数随着时间的增加而不断增加，2012年入会的人数达到顶峰。

上图是会员性别比例的饼图，男性占据了3/4的比例。

上图是会员各级别人数的条形图，可以看出绝大多数的会员是4级，5级和6级的会员人数较少。

上图是会员年龄的分布箱线图，可以看出大部分的会员年龄集中在30-50岁之间，极少数的会员年龄小于20岁或高于60岁，且有一条年龄超过100岁的异常值。

客户乘机信息分布分析

选取最后一次乘机至结束的时长、客户乘机信息中的飞行次数、总飞行公里数进行探索分析，探索客户的乘机信息分布情况。

从上图 - 会员最后一次乘机距离观测窗口结束的时长分布箱型图可知，绝大多数的客户群体的时长分布在50 - 300小时以下。也有部分客户的时间差超过了600小时，这部分客户有可能已经流失。

从上图的飞行次数和飞行公里数可以看出，大部分的客户集中在下方的箱型图的箱体中，少数客户分散分布在箱体上界的上方，这部分客户很有可能是高价值客户。

客户积分信息分布分析

选取积分兑换次数、总累计积分进行探索分析，探索客户的积分信息分布情况。
可以看出绝大部分的客户的兑换次数在 0~5 的区间内，说明大部分客户很少进行积分兑换。
可以看出，一部分客户集中在箱体中，少部分客户分散在箱体上方，这部分客户拥有更多的积分。

2.2.3 相关性分析

选取入会时间、会员卡级别、客户年龄、飞行次数、总飞行公里数、最近一次乘机至结束时长、积分兑换次数、总累计积分等属性，通过相关系数矩阵和热力图来分析各属性之间的相关性。

通过相关系数表和热力图矩阵，可以看出部分属性之间有较强的相关性，如 FLIGHT_COUNT（飞行次数）属性和 SEG_KM_SUM（飞行总公里数）属性；也有部分属性之间的相关性较弱，比如 AGE（年龄）属性与 EXCHANGE_COUNT（积分兑换次数）属性。

2.3 数据预处理

数据预处理主要包括数据清洗、属性规约与数据变换。

2.3.1 数据清洗

观察数据发现，原始数据中存在票价为空，票价最小值为0，折扣率最小值为0，总飞行公里数大于0的记录。票价为空值的数据可能是客户 不存在乘机记录造成的，其他的数据可能是客户乘坐0折机票或者积分兑换造成的。由于原始数据量大，这类数据所占比例较小，对 问题影响不大的可以丢弃处理。同时 在进行数据探索时，发现部分年龄大于100 的记录，也进行丢弃处理。

所以处理的方法如下：

• 丢弃票价为空的记录。
• 保留票价不为0，或者平均折扣率不为0且飞行公里数大于0的记录。
• 丢弃年龄大于100 的记录。

原数据的shape为：(62988, 44)，经过清洗之后数据shape为：(62043, 44)

2.3.2 属性规约

（1）认识RFM模型

本案例将采用 RFM 模型对客户价值进行分析，识别不同价值的客户。先来简单认识一下 RFM 模型。

R (Recency) 指的是最近一次消费时间与窗口观察结束时间的间隔。通常情况下，客户最近一次消费时间与截止时间的间隔越短，对即时提供的商品或服务也最有可能感兴趣。如果最近一次消费很近的客户越来越少，说明公司存在问题，要调整营销策略。

F (Frequency) 指客户在某段时间内所消费的次数。消费频率越高的客户，其满意度越高，忠诚度也就越高，客户价值也就越大。商家可以通过采取一定的营销方式不断去刺激客户消费，提高消费频率。

M (Monetary) 指客户在某段时间内所消费的总金额。该值越大，说明客户的消费能力越强。

（2）RFM模型解读

如图所示，用三维坐标系来展示RFM模型，x 轴表示 R 特征，y 轴表示 M 特征，z 轴表示 F 特征。按照三个特征的取值，将客户划分为图中所示的 8 种客户。针对每种类型的客户，一般要采取不同的营销策略。

（3）LRFMC模型

该模型是针对航空公司提出的客户价值分析模型。由于航空公司票价受到运输距离、舱位等级等多种因素的影响，同样消费金额的不同旅客对航空公司的价值是不同的。比如：一位购买长航线、低等级舱位票的旅客与一位购买短航线、高等级舱位票的旅客相比，后者对于航空公司而言更有价值。

本案例选择客户在一定时间内累计的飞行里程 M 和客户在一定时间内乘坐舱位所对应的折扣系数的平均值 C 两个特征代替消费金额。另外航空公司会员入会时间的长短在一定程度上能够影响客户价值，所以在模型中增加客户关系长度 L，作为区分客户的另外一个特征。

因此选择客户关系长度 L、消费时间间隔 R、消费频率 F、飞行里程数 M 和折扣系数的平均值 C 这5个特征作为航空公司识别客户价值的特征，记为LRFMC模型。

根据模型，选择模型相关的以下6个属性：FFP_DATE, LOAD_TIME, FLIGHT_COUNT, AVG_DISCOUNT, SEG_KM_SUM, LAST_TO_END。

2.3.3 数据变换

数据变换包括两个部分：属性构造和数据标准化

（1）属性构造

• L = 会员入会时长 = LOAD_TIME - FFP-DATE
• R = LAST_TO_END
• F = FLIGHT_COUNT
• M = SEG_KM_SUM
• C = AVG_COUNT

（2）数据标准化

完成对属性的构造后，对这5个属性进行标准化处理，处理方法如下：

from sklearn.preprocessing import StandardScaler
data = StandardScaler().fit_transform(origin_date)

2.4 模型构建

客户价值分析模型构建主要分为两个部分：第一部分根据航空公司客户 5 个指标的数据，对客户做聚类分群；第二部分，结合业务对每个客户群进行特征分析，分析其客户价值，并对客户群进行排名。

2.4.1 客户聚类

采用 K-Means 聚类算法对客户数据进行客户分群，聚成 5 类（需要结合业务理解与分析来确定客户的类别数量）。
主要代码如下：

from sklearn.cluster import KMeans
kmeans_model = KMeans(n_clusters = 5, n_jobs = 4, random_state = 123)
fit = kmeans_model.fit(data)
# 查看聚类结果
kmeans_cc = kmeans_model.cluster_centers_  # 聚类中心
kmeans_labels = kmeans_model.labels_		# 样本的类别标签

聚类结果如下表：

2.4.2 客户价值分析

针对聚类结果进行特征分析，绘制客户分群的雷达图。

结合业务来分析，通过比较各个特征在群间的大小来对某一个群的特征进行评价分析。通过观察雷达图可以得出：

• 客户群 1 在各个特征的值都比较小，且在L处的取值最小，说明客户群1是新加入会员较多的客户群。
• 客户群 2 在C处的值最大，在特征M和F的值较小，说明客户群2是偏好乘坐高级舱位的客户群。
• 客户群 3 在特征F和M的值最大，且在特征R上的值最小，说明客户群3的会员频繁乘机，且最近都有乘机记录。
• 客户群 4 在特征值L处的值最大，在特征R处的值较小，其他的特征值适中，说明客户群4的入会时间较长，飞行频率适中，是有一定价值的客户群。
• 客户群 5 在R处的值最大，在特征 L, F, M 和 C 处的值都比较小，说明客户群5已经很久没有乘机，且是入会时间较短的低价值客户群。

根据以上对5个客户群的特征分析，将5个等级的客户类别定义为：重要保持客户、重要发展客户、重要挽留客户、一般客户与低价值客户。客户类别的特征分析如图所示：

① 重要保持客户
这类客户的平均折扣系数较高，最近乘机距今的时间长度较低，飞行次数或总飞行里程数较高。这类客户是航空公司的高价值客户，对公司的价值最大，所占比例较小 。

航空公司应该优先考虑将资源投到他们身上，对他们进行差异化管理和定制化营销，提高这类客户的满意度与忠诚度。

② 重要发展客户
这类客户的平均折扣系数较高，最近乘机距今的时间长度较低，飞行次数或总飞行里程数较低，成为会员的时间短，是航空公司的潜在客户。

航空公司要努力促使这类客户增加在公司的消费和合作伙伴处的消费，也就是增加客户的钱包份额。通过提升客户价值，不断提高客户的满意度，提高他们转向竞争对手的转移成本，使他们逐渐成为公司的忠诚客户。

③ 重要挽留客户
这类客户过去所乘航班的的平均折扣系数较高，飞行次数或总飞行里程数较高，但是最近乘机距今的时间长度较长，即乘坐频率降低了，客户价值变化的不稳定性很高。

由于这类客户价值衰退的原因不同，所以掌握客户的最新信息、维持与客户的互动很重要。航空公司应该根据这些客户的最近消费时间以及消费次数的变化情况推测客户消费的异动状况，列出客户名单，重点联系，延长其生命周期。

④ 一般客户与低价值客户
这类客户所乘航班的平均折扣系数很低，最近乘机距今的时间长度很高，飞行次数或总飞行里程数很低，入会时间很短。他们是航空公司的一般或低价值客户，可能在机票打折促销的时候，才会乘坐本公司航班。

基于此，对以上5个客户群进行分类如下：

2.5 模型应用

根据对每个客户群进行分析，可以采取下列一些营销手段和策略，对航空公司的价值客户群管理提供参考。

会员的升级与保级
航空公司的会员可以分为白金卡会员、金卡会员、银卡会员、普通卡会员。不同的会员级别享受不同的待遇。公司可以适当进行一些提醒或采取促销活动，刺激乘客通过消费达到标准。

首次兑换
航空公司常旅客计划中最吸引客户的内容是客户可以通过消费积累的里程来兑换免票或免费升舱等。当客户的里程或航段积累到一定程度时可以实现第一次兑换。但是公司会让里程随着时间削减，可以采取一些措施比如从数据库中提取出接近但尚未达到首次兑换标准的会员信息，对他们进行适当的提醒或采取一些促销活动，使他们消费达到兑换标准。

交叉销售
通过发行“联名卡”等与非航空类企业合作，使客户在消费其他的商品时获得本公司积分，增强与公司的联系，提高忠诚度。例如：查看重要客户在非航空类合作伙伴处的里程积累情况，找出习惯的里程积累方式，为他们制定相应的促销策略。

写在最后

企业想要长远发展和获利，一定要有稳定的、高质量的客户。留住客户对企业来说是重要的。通过对数据库中的旅客数据分析，对客户进行细分，可以获得一些重要的信息，例如发现不同类型的客户，并针对这些客户进行差异化营销，不断提高客户满意度和忠诚度。

另外，由于乘客的数据是不断更新变化的，不能只用固定的数据去做决策，分析的时间窗口要变化，可以每隔一个月运行一次，对客户进行分析。另外，要结合业务，不谈业务的数据分析也是没有意义的。